Quan trắc sự mở rộng bề mặt không thấm bằng dữ liệu ảnh Spot-5 và Sentinel-2 ở khu vực Thành phố Hồ Chí Minh
Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất Tập 59, Kỳ 2 (2018) 69-76
69
Quan trắc sự mở rộng bề mặt không thấm bằng dữ liệu ảnh
Spot-5 và Sentinel-2 ở khu vực Thành phố Hồ Chí Minh
Phạm Văn Tùng 1, Nguyễn Văn Trung 2, *, Nguyễn Hữu Long 3, Nguyễn Đức Hùng 4
1 Trường Đại học Tài nguyên và Môi trường Thành phố Hồ Chí Minh, Việt Nam
2 Khoa Trắc địa - Bản đồ và Quản lý đất đai, Trường Đại học Mỏ - Địa chất, Việt Nam
3 Trường Đại học Đồng Tháp, Việt Nam
4 Sở Tài Nguyên và Môi Trường Tỉnh Thái Bình, Việt Nam
THÔNG TIN BÀI BÁO
TÓM TẮT
Quá trình:
Thành phố Hồ Chí Minh là đô thị lớn có tốc độ đô thị hóa nhanh ở nước ta.
Theo đó, bề mặt không thấm được coi là chìa khóa để xác định quá trình đô
thị hóa, sự phát triển bền vững, và phục vụ quy hoạch và quản lý đô thị. Quan
trắc sự mở rộng bề mặt không thấm sử dụng ảnh vệ tinh là phương pháp
hiệu quả cho phạm vi rộng lớn và đảm bảo độ tin cậy. Trong nghiên cứu này,
dữ liệu ảnh SPOT-5 và Sentinel-2 thu được trong các năm 2002, 2009 và
2016 đã đượcsử dụng để phân loại thành bốnlớp phủ bề mặt bao gồm nước,
thực vật, đất trống và bề mặt không thấm sử dụng thuật toán phân loại KNN
(fuzzy K-Nearest Neighbors) trên phần mềm eCognition. Kết quả của nghiên
cứu cho thấy rằng dựa vào thông tin về bề mặt không thấm có thể xác định
được việc mở rộng khu vực đô thị. Đặc biệt diện tích bề mặt không thấm của
Thành phố Hồ Chí Minh tăng nhanh từ năm 2002 đến năm 2016. Kết quả cho
thấy 2615,86 ha chiếm 36,88% tổng diện tích thực vật được chuyển đổi
thành diện tích bề mặt không thấm. Việc xác định sự mở rộng bề mặt không
thấm cung cấp thông tin có giá trị giúp cho các nhà qui hoạch thành phố đưa
ra các chính sách qui hoạch phát triển bền vững đô thị.
Nhận bài 25/02/2018
Chấp nhận 03/4/2018
Đăng online 27/4/2018
Từ khóa:
Bề mặt không thấm
Đô thị hóa
SPOT-5
Sentinel-2
© 2018 Trường Đại học Mỏ - Địa chất. Tất cả các quyền được bảo đảm.
nghiên cứu trước đây cho thấy sự thay đổi diện
tích bề mặt không thấm (BMKT) có liên quan đến
sự ảnh hưởng đến thuỷ văn, cấu trúc sinh cảnh,
chất lượng nước và đa dạng sinh học của hệ thống
thủy sinh (Schueler, 1994).
Trong những năm gần đây có nhiều kỹ thuật
chiết tách bề mặt không thấm đã được phát triển,
từ các phương pháp phân loại theo hướng đối
tượng sử dụng các hình ảnh có độ phân giải không
gian cao đến kỹ thuật dưới điểm ảnh (Sub-pixel),
phân tích mô hình phân tích hỗn hợp phổ (SMA-
1. Mở đầu
Bề mặt không thấm nước là các vật liệu ngăn
cản sự thâm nhập của nước vào đất như hệ thống
giao thông, mái nhà, bãi đậu xe, v.v….Bề mặt không
thấm là một chỉ số quan trọng sử dụng đánh giá
mức độ đô thị hóa và các tác động của các hệ sinh
thái (Schueler, 1994; Arnold, 1996). Một số
_____________________
*Tác giả liên hệ
E-mail: [email protected].vn
70
Phạm Văn Tùng và nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 59 (2), 69-76
Spectral Mixture Analyze model family) và mô
hình hồi quy sử dụng ảnh có độ phân giải không
gian trung bình hoặc thấp. Việc lập bản đồ bề mặt
không thấm nước đã được áp dụng ở các quy mô
khác nhau từ địa phương, khu vực đến quốc gia
hoặc toàn cầu (Lu, 2013). Hầu như các nghiên cứu
trước đây đã áp dụng thành công cho khu vực
thành thị (Lu, 2013). Nếu các phương pháp phân
loại truyền thống trên mỗi điểm ảnh chẳng hạn
như phân loại xác xuất cực đại có khả năng phân
loại các lớp sử dụng đất / lớp phủ mặt đất (LULC-
Land Use/Land Cover), kết quả phân loại nhận
được thường có độ chính xác rất thấp đối với các
vùng đô thị. Bởi vậy, phương pháp phân loại mềm
có chính xác cao hơn được lựa chọn để phục vụ
chiết tách bề mặt không thấm cho khu vực nghiên
cứu đô thị.
Việc nâng cao độ chính xác phân loại đất đô
thị là một vấn đề quan trọng trong các nghiên cứu
trước đây về viễn thám (Liu và Wen, 2004). Các
phương pháp tiếpcậnkhác nhau đã được ápdụng,
bao gồm cả việc kết hợp dữ liệu địa lý, dữ liệu điều
tradânsố và đặc trưngcấu trúc hoặc thông tin phổ
của ảnh viễn thám. Ngoài ra để nâng cao độ chính
xác của quá trình phân loại ảnh, các kiến thức
chuyên gia, phương pháp phân loại mờ và sự kết
hợp dữ liệu ảnh đa bộ cảm đã được sử dụng trong
các nghiên cứu. Tuy nhiên, việc phân loại đất đô
thị vẫn là một khó khăn trong trường hợp các dữ
liệu viễn thám có độ phân giải trung bình và thấp
do sự lẫn phổ trong một điểm ảnh và lẫn phổ giữa
các loại lớp phủ trên mặt đất khác nhau.
Phương pháp phân loại điểm ảnh (Per-pixel)
chỉ xử lý thuần túy hình ảnh từng điểm ảnh cụ thể,
trong khi đó phương pháp phân loại dưới điểm
ảnh xử lý định lượng nhiều lớp đối tượng trong
mỗi điểm ảnh đơn. Phương pháp phân loại dưới
điểm ảnh tạo ra các ảnh thành phần với các giá trị
pixel lấy từ phần nguyên hoặc phần dư của điểm
ảnh có chứa thành phần mỗi lớp đối tượng
(Quintano, 2012). Đối với các điểm ảnh không bị
lẫn phổ, phân tích hỗn hợp phổ (SMA) cho đến nay
là phương pháp phổ biến nhất trong số các
phương pháp phân loại dưới điểm ảnh. Việc phân
tích hỗn hợp phổ tuyến tính (LSMA-Linear
Spectral Mixture Analysis) và phân tích hỗn hợp
phổ đa mẫu (MESMA-Multiple End-member
Spectral Mixture Analysis) đã được chứng minh là
phương pháp hữu hiệu được sử dụng để chiết
xuất thông tin bề mặt không thấm từ các ảnh vệ
tinh Landsat. Tuy nhiên, việc lựa chọn các thành
phần mẫu đồng nhất phù hợp vẫn là thách thức
lớn nhất trong phương pháp LSMA (Weng, 2008,
Lu, 2011, Wu, 2003). Zadeh (1965) đã giới thiệu
khái niệm phân loại mờ để mô tả và định lượng sự
không chính xác. Phương pháp phân loại mờ đã
thu hút được sự quan tâm ngày càng tăng đối với
việc phân loại dưới điểm ảnh, và trong chiết tách
thông tin bề mặt không thấm (Tang, 2007;
Lizarazo, 2010; Hu, 2011; Cao, 2012). Phương
pháp phân loại mờ tạo ra kết quả chính xác hơn so
với phương pháp LSMA đối với khu vực có mật độ
dân cư cao và mật độ dân cư thấp (Tang, 2007).
Phương pháp phân loại fuzzy-SMA đã được đề
xuất trong các nghiên cứu trước đó, trong đó giá
trị trung bình mờ và hiệp phương sai mờ được lấy
từ các mẫu giám định thông qua phân tích hỗn
hợp phổ (SMA), trong khi giá trị các hằng số được
sử dụng trong phân loại mờ truyền thống (Tang,
2007, Xinyu, 2014).
Ngoài ra, chỉ số IBI (Index Based Built-up
Index) lấy từ ảnh Landsat được tính toán từ chỉ số
SAVI (Soil Adjusted Vegetation Index),MNDWI
(Modified Normalized Difference Wate Index) và
NDBI (Normalized Difference Built-up Index)
(Linh, 2011). Chỉ số bề mặt không thấm ISI
(Impervious Surface Index) được tính toán từ 4
kênh phổ của ảnh SPOT-5 (Pairman, 2010). Đây là
một vài nghiên cứu tính toán chỉ số đất xây dựng
và bề mặt không thấm trực tiếp từ ảnh nhưng độ
chính xác phụ thuộc hoàn toàn vào ngưỡng được
chọn để chiết tách được bề mặt không thấm. Do
vậy phân loại hướng đối tượng KNN với vùng mẫu
trực tiếp sẽ khắc phục được sự lựa chọn ngưỡng
chưa hợp lý của các phương pháp nêu trên.
Trong nghiên cứu này, dữ liệu ảnh SPOT và
Sentinel-2 được sử dụng để phân loại các lớp phủ
đất bao gồm các bề mặt không thấm, thực vật,
nước mặt và đất trống bằng thuật toánKNN (fuzzy
K-Nearest Neighbors) và tính toán sự thay đổi bề
mặt không thấm trong các giai đoạn ở thành phố
Hồ Chí Minh, Việt Nam.
2. Khu vực nghiên cứu và dữ liệu sử dụng
2.1. Khu vực nghiên cứu
Thành phố Hồ Chí Minh nằm ở miền Nam của
Việt Nam (10046' vĩ độ Bắc và 106042' kinh độ
Đông) là trung tâm kinh tế, dịch vụ, du lịch, văn
hoá và cảnh quan thiên nhiên. Đây là khu vực
Phạm Văn Tùng và nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 59 (2), 69-76
71
Hình 1. Bản đồ 24 quận, huyện của TP. Hồ Chí Minh, Việt Nam (Oanh và nnk., 2015).
Bảng 1. Danh sách dữ liệu SPOT-5 và Sentinel-2 của khu vực nghiên cứu.
Vệ tinh
SPOT-5
SPOT-5
Bộ cảm
HRG
HRG
Cột/Hàng
276/329
276/329
Ngày chụp
14/12/2002
19/04/2009
29/11/2016
Độ phân giải không gian (m)
10
10
10
Sentinel-2
MSI
nằm bên sông Sài Gòn (Hình 1) với tổng diện tích
khoảng 2.096 km2 có dân số 8,426 triệu người
vào năm 2016. Sự phát triển kinh tế mạnh mẽ đã
thúc đẩy việc mở rộng các khu công nghiệp, các
khu đô thị, hệ thống giao thông, và cơ sở hạ tầng.
Đây là nguyên nhân chính gây ra sự gia tăng bề
mặt không thấm ở khu vực này.
2.2. Dữ liệu sử dụng
Bản đồ và các ảnh vệ tinh là dữ liệu cần thiết
cho nghiên cứu này. Để chuẩn bị các dữ liệu, chúng
tôi sử dụng ba bản đồ hiện trạng sử dụng đất tỷ lệ
1/10000 được thành lập năm 2000, 2010 và 2015
của Tổng cục Quản lý đất đai, Bộ Tài nguyên và
Môi trường cung cấp. Các ảnh vệ tinh được sử
dụng đểchiết xuất bềmặt không thấm bao gồm dữ
liệu SPOT-5 và Sentinel-2. Bảng 1 cho thấy các
thông số chi tiết của ảnh vệ tinh đã được sử dụng.
Hình 2. Sơ đồ quy trình thực nghiệm phân tích bề
mặt không thấm.
ảnh vệ tinh SPOT-5 và Sentinel-2 sử dụng phương
pháp phân loại K-Nearest Neighbors (KNN). Kết
quả phân loại các ảnh vệ tinh sẽ được sử dụng để
phân tích các thay đổi về bề mặt không thấm bằng
3. Phương pháp nghiên cứu.
Bốn loại lớp phủ bề mặt được phân loại từ các
72
Phạm Văn Tùng và nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 59 (2), 69-76
các công cụ GIS. Toàn bộ quy trình thực nghiệm
cho nghiên cứu này được thể hiện trong Hình 2.
phân loại mờ KNN tỷ lệ phần trăm của mỗi nhóm
trong số k-láng giềng gần nhất được gán cho điểm
ảnh như là một mức độ của thành viên đối với
nhóm đó. Theo quy tắc phân loại mờ KNN, mức độ
thành viên của mẫu kiểm tra x đến lớp c được tính
3.1. Tiền xử lý ảnh
Hai ảnh SPOT-5 và một ảnh Sentinel-2 có độ
phân giải không gian 10m đã được hiệu chỉnh khí
quyển và chuẩn hóa ảnh do sự khác nhau về bộ
cảm và thời gian chụp ảnh và nắn chỉnh về lưới
chiếu UTM. Sau đó, chúng được cắt theo ranh giới
của khu vực nghiên cứu (Hình 3). Các tấm ảnh đã
được cắt này được nâng cao chất lượng bằng cách
kéo giãn độ tương phản và sử dụng các phép lọc
không gian để phục vụ cho việc phân loại thành
bốn lớp đối tượng.
như công thức (1).
푘
푗=1 휇푖푗푑2(푥 − 푥푗)
∑
( )
휇푖 푥 =
(1)
푘
푗=1 푑2(푥 − 푥푗)
∑
Trong đó i=1,2,3,…C (số lớp cần phân loại), và
j=1,2,3…,k (số láng giềng gần nhất). ij là thành
viên của mẫu xj từ tập hợp mẫu đến lớp i, trong số
k láng giềng gần nhất của x. Giá trị của k được giới
hạn trong lớp dữ liệu mẫu nhỏ nhất (Zhu, 2005).
Để thu thập các vùng mẫu, chúng tôi sử dụng
các chỉ số SI, SAVI, NDWI, và ISI để tham khảo.
Trong quá trình chọn mẫu các ngưỡng đối với mỗi
chỉ số được đưa ra đối với bề mặt không thấm và
các lớp phủ khác. Các điểm ảnh với dải giá trị dữ
liệu SI, SAVI, NDWI và ISI nằm trong ngưỡng được
phân loại cho mỗi lớp, tương ứng bề mặt không
thấm , thảm thực vật, đất trống, nước mặt và đất
khác. Các khu vực bị mấy che được bổ sung thông
tin từ các bản đồ hiện trạng hoặc bản đồ lớp phủ
bề mặt gần thời điểm chụp ảnh nhất (năm 2000,
2010 và 2015) vào kết quả phân loại ảnh.
3.2. Phương pháp phân loại mờ người láng
giềng gần nhất
Phương pháp phân loại mờ người láng giềng
gần nhất (Fuzzy KNN) là phương pháp phân loại
có giám định dùng để phân loại bề mặt không
thấm, đây là một phương pháp tốt để phân lớp các
lớp đối tượng bề mặt ở cấp độ pixel (Keller, 1985).
Phân loại KNN có thể thực hiện cả phân loại cứng
và mềm. KNN dùng tập hợp con của tất cả các dữ
liệu mẫu để xác định một lớp của điểm ảnh hoặc
các thành viên của một lớp. Trong phương pháp
Hình 3. Ba ảnh cắt ở ba thời kỳ của khu vực nghiên cứu.
Bảng 2. Diện tích lớp phủ bề mặt được chiết xuất từ dữ liệu SPOT-5 và Sentinel-2.
2002
2009
2016
Lớp phủ
Ha
%
Ha
%
Ha
%
Đất trống
Bề mặt không thấm
Nước mặt
Thực vật
Đối tượng khác
903.68
28773.85
14411.21
70935.38
945.8
0.78
24.81
12.43 14285.69
61.17 49047.62
8351.97
43890.6
7.20
5007.94
48256.55
15209.8
47401.21
94.42
4.32
37.85
12.32
42.29
0.34
41.61
13.12
40.87
0.08
0.82
394.04
Phạm Văn Tùng và nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 59 (2), 69-76
73
Hình 5. Bản đồ lớp phủ bề mặt và bề mặt không
thấm năm 2009.
Hình 4. Bản đồ lớp phủ bề mặt và bề mặt không
thấm năm 2002.
Hình 6. Bản đồ lớp phủ bề mặt và bề mặt không
thấm năm 2016.
Hình 7. Bản đồ lớp phủ mặt đất chuyển đổi sang
bề mặt không thấm từ năm 2002 đến 2016.
74
Phạm Văn Tùng và nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 59 (2), 69-76
73
và 2016, phần mềm GIS được sử dụng để chồng
xếp nhằm xây dựng được bản đồ thay đổi bề mặt
không thấm nước. Bản đồ này cho thấy các lớp bổ
sung như: “Nước mặt - Bề mặt không thấm”, “Đất
trống - Bề mặt không thấm”, “Thực vật - Bề mặt
không thấm” , và “Đối tượng khác - Bề mặt không
thấm”. Mỗi lớp thay đổi được sử dụng một màu
khác nhau để phân biệt giữa lớp này và lớp khác
(Hình 7).
Từ Hình 8, ta thấy đã có rất nhiều sự biến
động trong số các loại lớp phủ mặt đất từ năm
2002 đến năm 2016, nhưng chúng ta chỉ quan tâm
tới diện tích bề mặt không thấm tăng lên do sự
thay đổi từ thực vật, mặt nước, đất trống và các
loại khác. Sự thay đổi thực vật, đất trống, mặt nước
và các đối tượng khác tương ứng với diện tích bề
mặt không thấm tăng khoảng 36,88% tổng diện
tích thực vật, 65,93% tổng diện tích đất trống,
17,23% tổng diện tích mặt nước và 8,81% tổng
diện tích các loại khác (Hình 9). Điều này có nghĩa
là sự thay đổi từ thực vật sang bề mặt không thấm
là sự thay đổi lớn nhất trong quá trình đô thị hóa
ở khu vực Thành phố Hồ Chí Minh. Có thể giải
thích điều này rằng do chính sách quy hoạch sử
dụng đất cho đô thị trong giai đoạn này là chuyển
đổi đất nông nghiệp sang các loại hình sử dụng đất
khác.
4. Kết quả nghiên cứu và thảo luận
Từ dữ liệu SPOT-5 và Sentinel-2 khu vực thành
phố Hồ Chí Minh, phương pháp phân loại mờ KNN
được sử dụng để phân loại các lớp phủ phục vụ
thành lập bản đồ các lớp phủ bề mặt vào năm
2002, 2009 và 2016 (Hình 4, 5 và 6).
Theo những bản đồ lớp phủ bề mặt này, diện
tích nước mặt, thực vật, đất trống và bề mặt không
thấm được tính toán và đưa ra trong Bảng 2. Các
kết quả này cho thấy diện tích bề mặt không thấm
tăng dần (28773,85 ha (24,81%), 43890,6 ha
(37,85%) và 48256,55 ha (41,61%) trong năm
2002, 2009 và 2016). Trong khi đó, diện tích thực
vật giảm từ 70935,38 ha (61,17%) xuống
47401,21 ha (40,87%) trong giai đoạn 2002 -
2016 như thể hiện trong Hình 8.
Độ chính xác của kết quả phân loại theo thuật
toán KNN nhận được bao gồm độ chính xác toàn
bộ và chỉ số Kappa lần lượt (0.84; 0.78), (0.82;
0.81), và (0.87,0.83) cho ảnh đã phân loại các năm
2002, 2009, và 2016. Các chỉ số Kappa này được
tính toán trong quá trình đánh giá độ chính xác kết
quả phân loại dựa vào các vùng mẫu kiểm tra lấy
từ ba bản đồ hiện trạng hoặc bản đồ lớp phủ bề
mặt gần thời điểm chụp ảnh nhất (năm 2000,
2010 và 2015). Theo các kết quả đánh giá này, các
bản đồ lớp phủ bề mặt xây dựng từ các kết quả
phân loại có thể đảm bảo để phân tích các biến
động của bề mặt không thấm trong các giai đoạn
mà ảnh vệ tinh đã cung cấp.
5. Kết luận
Trong nghiên cứu này, hai ảnh vệ tinh SPOT-
5 và một ảnh Sentinel-2 thu được trong các năm
2002, 2009 và 2016 đã được sử dụng để chiết tách
Dựa vào bản đồ lớp phủ bề mặt các năm 2002
Hình 9. Tỷ lệ phần trăm các lớp phủ bề mặt chuyển
thành bề mặt không thấm giai đoạn 2002 - 2016.
Hình 8. Sự thay đổi diện tích của lớp phủ bề mặt và
bề mặt không thấm.
Phạm Văn Tùng và nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 59 (2), 69-76
75
các lớp phủ mặt đất bao gồm thực vật, đất trống,
nước mặt và bề mặt không thấm. Để thực hiện
nhiệm vụ này, phương pháp phân loại KNN được
sử dụng để xây dựng ba bản đồ lớp phủ bề mặt ở
ba thời điểm. Kết quả cho thấy diện tích bề mặt
không thấm tăng từ 28773,85 ha lên 48256,55
(16,8% tổng diện tích toàn thành phố), nhưng
diện tích thảm thực vật giảm do quá trình đô thị
hóa (20,3% tổng diện tích toàn thành phố). Dựa
vào bản đồ biến động lớp phủ bề mặt giữa năm
2002 và năm 2016 cho thấy 2615,86 ha (36,88%)
tổng diện tích thực vật đã được chuyển đổi thành
bề mặt không thấm. Sự chuyển đổi từ lớp thực vật
sang bề mặt không thấm xảy ra ở các khu vực ven
đô thị (vùng gần ranh giới giữa các quận và huyện
của Thành phố Hồ Chí Minh) Những thay đổi về
lớp phủ mặt đất này cho thấy xu hướng chuyển
đổi mục đích sử dụng đất do chính sách quy hoạch
sử dụng đất trong quá trình đô thị hóa của Thành
phố Hồ Chí Minh.
Huete, A., Justice, C., and Liu, H., 1994.
Development of Vegetation and Soil Indexes
for MODIS-EOS. Remote Sensing of
Environment 49(3), 224-234.
Keller, J. M., Gray, M. R., and Givens, J. A., 1985. A
Fuzzy K-Nearest Neighbor Algorithm. IEEE
Transactions On Systems Man and Cybernetics
15(4), 580-585.
Lizarazo, I., 2010. Fuzzy image regions for
estimation of impervious surface areas.
Remote Sensing Letters 1(1), 19-27.
Lu, D., Li, G., Kuang, W., and Moran E., 2013.
Methods to extract impervious surface areas
from satellite images. International Journal of
Digital Earth 7(2), 93-112.
Lu, D., Moran, E., and Hetrick, S., 2011. Detection
of impervious surface change with
multitemporal Landsat images in an urban-
rural
frontier.
ISPRS
Journal
of
Photogrammetry and Remote Sensing 66(3),
298-306.
Lời cảm ơn
Các tác giả xin cảm ơn Cơ quan hàng không
Vũ trụ châu Âu đã cung cấp dữ liệu ảnh Sentinel-2
và Cục Viễn thám Quốc gia thuộc Bộ Tài nguyên và
Môi trường đã cung cấp dữ liệu ảnh SPOT-5. Tác
giả cũng xin cảm ơn Tổng cục đất đai của Bộ Tài
nguyên và Môi trường đã cung cấp bản đồ hiện
trạng sử dụng đất của khu vực nghiên cứu.
Lu, D., and Weng, Q., 2004. Spectral mixture
analysis of the urban landscape in Indianapolis
city
with
Landsat
ETM+
imagery.
Photogrammetric Engineering
&
Remote
Sensing 70(9), 1053- 1062.
Oanh, L., Bloemhof-Ruwaard J. M., Van Buuren J.C.,
Van der Vorst J.G., and Rulkens, W.H., 2015.
Modelling and evaluating municipal solid
waste management strategies in a mega-city:
The case of Ho Chi Minh City. Waste
Management & Research 33(4), 370-380
Tài liệu tham khảo
Arnold, C. L., and Gibbons, C. J., 1996. Impervious
surface coverage: the emergence of a key
environmental indicator. Journal of the
American Planning Association 62(2), 243-258.
Pairman, D., McNeill, S., and Belliss, S., 2010.
Impervious Surface Mapping for the Auckland
Region. Prepared by Landcare Research for
Auckland Regional Council. Auckland Regional
Council Technical Report 2010/037.
Cao, L., Li, P., Zhang, L., and Xu, X., 2012. Estimating
Impervious Surfaces Using theFuzzy ARTMAP.
Geomatics and Information Science of Wuhan
University 37(10), 1236-1239.
Hanqiu, X., 2006. Modification of normalized
difference water index(NDWI) to enhance
open water feature in remotely sensed
imagery. International Journal of Remote
Sensing 27(14), 3025-3033.
Quintano, C., Fernández-Manso, A., Shimabukuro,
Y.E., and Pereira, G., 2012. Spectral unmixing.
International Journal of Remote Sensing
33(17), 5307-5340.
Schueler, R, T., 1994. The importance of
Hu, X. F., and Weng, Q. H., 2011. Impervious
surface area extraction from IKONOS imagery
using an object-based fuzzy method. Geocarto
International 26(1), 3-20.
imperviousness.
Techniques 1, 100-111.
Watershed
Protection
Tang, J., Wang, L., and Myint, S. W., 2007.
Improving urban classification through fuzzy
76
Phạm Văn Tùng và nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 59 (2), 69-76
75
supervised classification and spectral mixture
Environment 117, 34-49.
analysis. International Journal of Remote
Sensing 28(18), 4047-4063.
Wu, C., Murray, A. T., 2003. Estimating impervious
surface distribution by spectral mixture
analysis. Remote Sensing of Environment 84(4),
493-505.
Weng, Q. H., and Lu, D. S., 2008. A sub-pixel
analysis of urbanization effect on land surface
temperature and its interplay with impervious
surface and vegetation coverage in
Indianapolis, United States. International
Journal of Applied Earth Observation and
Geoinformation 10(1), 68-83.
Xinyu Z., Zhoulu, Y., Weijiu, A., Youfu, W., Amir, R.
T., Shucheng, Y., Jinsong, D., Ke, W., 2014. Rural
impervious surfaces extraction from Landsat 8
imagery and rural impervioussurface index.
Proc. SPIE. 9260, Land Surface Remote Sensing
II 926030.
Weng, Q., and Hu, X., 2008. Medium spatial
resolution satellite imagery for estimating and
mapping urban impervious surfaces using
LSMA and ANN. IEEE Transactions On
Geoscience and Remote Sensing 46(8), 2397-
2406.
Zadeh, L.A., 1965. Fuzzy Sets. Information and
Control 8(3), 338.
Zhu, H.W., and Basir, O., 2005. An adaptive fuzzy
evidential nearest neighbor formulation for
classifying remote sensing images. IEEE
Transactions On Geoscience and Remote
Sensing 43(8), 1874-1889.
Weng, Q.H., 2012. Remote sensing of impervious
surfaces in the urban areas: Requirements,
methods, and trends. Remote Sensing of
ABSTRACT
Detection of the impervious surfaces expansion using SPOT-5 and
Sentinel-2 data: a case study in Ho Chi Minh city
Tung Van Pham 1, Trung Van Nguyen 2, Long Huu Nguyen 3, Hung Duc Nguyen 4
1 University of Natural Resources and Environment of Ho Chi Minh City, Vietnam
2 University of Mining and Geology, Vietnam
3 Dong Thap University, Vietnam
4 Department of Natural resources and Environment of Thai Binh Province, Vietnam
Ho Chi Minh city is known as a quick urbanization area of Vietnam. Meanwhile, impervious surfaces
to be known as the key to identify the urbanization and urban sustainable development as well as
planning of natural resources. Using satellite data for detecting the impervious surfaces expansion is
effective mothod and assurance of reliability for large areas. In this study, temporal SPOT-5 and Sentinel-
2 data acquired in 2002, 2009 and 2016 were classified for four classes including open water, vegetation,
barren and impervious surface area using KNN classifier algorithm by eCognition software. Results of the
study showed that information of the impervious surfaces can determine the urban area expansion. In
particular, the impervious surfaces area of Ho chi Minh City, Vietnam increased rapidly between 2002
and 2016. The results showed that 2615.86 ha (36.88%) of total vegetation area was converted to
impervious surfaces area. The extraction of the impervious surfaces using remote sensing data is to
provide valuable information to the local city planners for understanding the impacts of urban planning
policy to urban sustainable development.
8 trang
09/01/2024
23320
Free
Bạn đang xem tài liệu "Quan trắc sự mở rộng bề mặt không thấm bằng dữ liệu ảnh Spot-5 và Sentinel-2 ở khu vực Thành phố Hồ Chí Minh", để tải tài liệu gốc về máy hãy click vào nút Download ở trên
File đính kèm:
- quan_trac_su_mo_rong_be_mat_khong_tham_bang_du_lieu_anh_spot.pdf
